基于道路容量驱动的图卷积神经网络用于网络级交通预测
机器学习
2025-06-18 v1 人工智能
摘要
尽管深度学习在预测交通状态方面取得了成功，但大多数方法将其视为一般的预测任务，而不考虑交通方面的因素。最近，图神经网络在此任务上表现出色，但很少考虑影响道路容量和交通流的外部因素。本研究引入了道路容量驱动图卷积神经网络（RCDGCN）模型，将静态和动态道路容量属性纳入时空环境，以预测网络范围的交通状态。该模型在两个具有不同交通因素的真实数据集上进行评估：ICM-495 高速公路网络和美国纽约曼哈顿的城市网络。结果表明 RCDGCN 在预测准确性方面优于基线方法。包括消融实验、权重分析和案例研究的分析，探讨了容量相关因素的影响。该研究表明了将 RCDGCN 用于交通系统管理的潜力。
引用
@article{arxiv.2406.13057,
title = {Informed along the road: roadway capacity driven graph convolution network for network-wide traffic prediction},
author = {Zilin Bian and Jingqin Gao and Kaan Ozbay and Fan Zuo and Dachuan Zuo and Zhenning Li},
journal= {arXiv preprint arXiv:2406.13057},
year = {2025}
}